陳湘生 ,曾仕琪 ,韓文龍 ,蘇棟

（深圳大學(xué) a.土木與交通工程學(xué)院；b.濱海城市韌性基礎(chǔ)設(shè)施教育部重點(diǎn)實(shí)驗(yàn)室；c.深圳市地鐵地下車站綠色高效智能建造重點(diǎn)實(shí)驗(yàn)室，深圳 518060）

隨著經(jīng)濟(jì)水平的不斷發(fā)展，交通運(yùn)輸需求日益增長(zhǎng)，而隧道能有效利用地下空間、節(jié)約地面土地資源，在交通運(yùn)輸基礎(chǔ)設(shè)施（包括鐵路、公路和城市軌道交通）建設(shè)中的比重越來(lái)越大。盾構(gòu)工法因具有對(duì)地面影響小、掘進(jìn)速度快、作業(yè)面安全等優(yōu)勢(shì)，在隧道建設(shè)中被廣泛采用。隨著人工智能技術(shù)的涌現(xiàn)與發(fā)展，盾構(gòu)隧道工程建設(shè)也從過(guò)去追求高速、機(jī)械化向高質(zhì)量、智能化方向發(fā)展。

在“大數(shù)據(jù)”背景下，盾構(gòu)隧道建設(shè)呈現(xiàn)出高容量數(shù)據(jù)存儲(chǔ)能力、高效實(shí)時(shí)數(shù)據(jù)處理能力和高強(qiáng)多源異構(gòu)適應(yīng)性的“三高”需求，機(jī)器學(xué)習(xí)（Machine Learning，ML）方法開(kāi)始成為分析隧道工程建設(shè)“大數(shù)據(jù)”的新工具。機(jī)器學(xué)習(xí)的吸引力源自它獨(dú)特的信息處理能力，如具有非線性、高并行性及高容錯(cuò)性的學(xué)習(xí)和泛化能力[1]。機(jī)器學(xué)習(xí)通過(guò)足量的樣本輸入對(duì)數(shù)據(jù)特征進(jìn)行學(xué)習(xí)，再對(duì)數(shù)據(jù)進(jìn)行回歸擬合分析，進(jìn)而對(duì)具有相似模式的新輸入進(jìn)行有效分析和預(yù)測(cè)[2]。自20 世紀(jì)80 年代初以來(lái)，就有學(xué)者嘗試使用機(jī)器學(xué)習(xí)相關(guān)方法來(lái)解決實(shí)際工程問(wèn)題[3-4]，隨著相關(guān)研究成果的積累和技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)算法已能在一定程度上提高盾構(gòu)隧道工程的智能分析與決策水平，增強(qiáng)對(duì)掘進(jìn)過(guò)程中設(shè)備狀態(tài)以及施工風(fēng)險(xiǎn)的預(yù)測(cè)與控制，促進(jìn)地下空間工程向智能、安全、綠色方向發(fā)展[5]。

回顧并總結(jié)機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的設(shè)備狀態(tài)分析、盾構(gòu)性能預(yù)測(cè)、地質(zhì)參數(shù)研究、地表變形預(yù)測(cè)和隧道病害預(yù)測(cè)等5 個(gè)方面的應(yīng)用研究現(xiàn)狀，分析相關(guān)研究的進(jìn)展和不足，并對(duì)機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用研究前景進(jìn)行分析與展望，旨在推動(dòng)機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用研究。

1 機(jī)器學(xué)習(xí)方法基本原理

基于人工智能的數(shù)據(jù)分析算法發(fā)展歷程如圖1所示。作為人工智能的核心，機(jī)器學(xué)習(xí)是一種通過(guò)先構(gòu)建算法模型、再根據(jù)輸入數(shù)據(jù)自動(dòng)解析數(shù)據(jù)內(nèi)在聯(lián)系的技術(shù)，其可洞察輸入數(shù)據(jù)中的關(guān)聯(lián)關(guān)系，幫助使用者更好地做出預(yù)測(cè)并進(jìn)行決策。隨著研究的深入，機(jī)器學(xué)習(xí)的研究者發(fā)現(xiàn)可以讓人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）自行學(xué)習(xí)如何抓取數(shù)據(jù)的特征，這種方式尤其適用于文字、圖像和聲音等數(shù)據(jù)，于是演變出了一種新的機(jī)器學(xué)習(xí)方法——深度學(xué)習(xí)（Deep Learning，DL）。深度學(xué)習(xí)以人工神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)，根據(jù)學(xué)習(xí)過(guò)程中的樣本數(shù)據(jù)自適應(yīng)地構(gòu)建（訓(xùn)練）出基本規(guī)則，極大地拓展了機(jī)器學(xué)習(xí)算法的智能性。如今，機(jī)器學(xué)習(xí)及相關(guān)算法憑借其智能特性被廣泛應(yīng)用于數(shù)據(jù)挖掘、計(jì)算機(jī)視覺(jué)與圖像處理、預(yù)見(jiàn)性維護(hù)等領(lǐng)域。

圖1 基于人工智能的數(shù)據(jù)分析算法發(fā)展歷程[6]Fig.1 Development history of data analysis algorithms based on artificial intelligence[6]

機(jī)器學(xué)習(xí)的核心原理是通過(guò)輸入信息訓(xùn)練計(jì)算機(jī)模仿人與動(dòng)物“從經(jīng)驗(yàn)中學(xué)習(xí)成長(zhǎng)”的天性，其基于直接從數(shù)據(jù)中“學(xué)習(xí)”信息的計(jì)算方法，而不依賴于預(yù)設(shè)的方程模型。當(dāng)訓(xùn)練樣本數(shù)量增加時(shí)，訓(xùn)練出的模型性能相應(yīng)提升，從而能更好地解決實(shí)際問(wèn)題。機(jī)器學(xué)習(xí)算法可分為4 種基本類型：監(jiān)督學(xué)習(xí)（Supervised Learning，SL）、非監(jiān)督學(xué)習(xí)（Unsupervised Learning，UL）、半監(jiān)督學(xué)習(xí)（Semi-Supervised Learning，SSL）和強(qiáng)化學(xué)習(xí)（Reinforcement Learning，RL）[7]。

1）監(jiān)督學(xué)習(xí)：通過(guò)人工預(yù)設(shè)的訓(xùn)練特征和輸出結(jié)果來(lái)訓(xùn)練模型，使模型具有預(yù)測(cè)未來(lái)輸出的能力[7]。常見(jiàn)的算法有：決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、樸素貝葉斯、隨機(jī)森林等。監(jiān)督學(xué)習(xí)主要用于分類和回歸問(wèn)題[8]。

2）非監(jiān)督學(xué)習(xí)：從輸入信息中解析出隱藏在數(shù)據(jù)中的內(nèi)在結(jié)構(gòu)[9]。常見(jiàn)的算法有：聚類算法、降維算法等，主要用于解決聚類和降維問(wèn)題。

3）半監(jiān)督學(xué)習(xí)：將監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)相結(jié)合的一種學(xué)習(xí)方法。一般半監(jiān)督學(xué)習(xí)的目標(biāo)是找到一個(gè)函數(shù)迎合（回歸任務(wù)），然后用分類任務(wù)的信息去優(yōu)化回歸函數(shù)。

4）強(qiáng)化學(xué)習(xí)：訓(xùn)練模型通過(guò)與輸入信息的反復(fù)交互來(lái)學(xué)習(xí)處理任務(wù)。這種學(xué)習(xí)方法使模型面對(duì)動(dòng)態(tài)環(huán)境能夠做出一系列決策，從而使任務(wù)獎(jiǎng)勵(lì)期望最大化。

機(jī)器學(xué)習(xí)模型的建立通常包含以下幾個(gè)步驟：收集數(shù)據(jù)、預(yù)處理數(shù)據(jù)和提取特征、訓(xùn)練模型、調(diào)整模型[10]。

1）收集數(shù)據(jù)。收集數(shù)據(jù)的常見(jiàn)方法是運(yùn)用信號(hào)處理或聚類技術(shù)來(lái)匯聚數(shù)據(jù)，如通過(guò)模擬仿真或傳感器測(cè)量獲得目標(biāo)設(shè)備或系統(tǒng)的相關(guān)數(shù)據(jù)。

2）預(yù)處理數(shù)據(jù)和提取特征。在提取特征之前，大多數(shù)數(shù)據(jù)集都需要進(jìn)行預(yù)處理，包括刪除異常值和異常趨勢(shì)、處理丟失的數(shù)據(jù)以及對(duì)數(shù)據(jù)進(jìn)行歸一化。特征提取是機(jī)器學(xué)習(xí)最重要的步驟之一，它將原始數(shù)據(jù)轉(zhuǎn)變成適合機(jī)器學(xué)習(xí)算法的信息。特征提取消除了各類測(cè)量數(shù)據(jù)中的冗余現(xiàn)象，有助于學(xué)習(xí)階段的泛化，而泛化是避免對(duì)特定樣本過(guò)擬合的關(guān)鍵。

3）訓(xùn)練模型。主要步驟包括選擇訓(xùn)練和驗(yàn)證的數(shù)據(jù)、選擇訓(xùn)練的算法、反復(fù)訓(xùn)練和評(píng)估分類模型。在盾構(gòu)隧道工程中常用的模型有盾構(gòu)設(shè)備狀態(tài)預(yù)測(cè)模型、地表沉降預(yù)測(cè)模型及隧道病害預(yù)測(cè)模型等。

4）調(diào)整模型。通過(guò)技術(shù)手段提高模型性能，常用方法包括調(diào)節(jié)模型參數(shù)、添加或修改訓(xùn)練數(shù)據(jù)、變換或提取新特征。

盾構(gòu)隧道工程中常使用的機(jī)器學(xué)習(xí)基本算法有人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、支持向量機(jī)（Support Vector Machine，SVM）、回歸樹(shù)（Regression Tree，RT）、隨機(jī)森林（Random Forests，RF）等，常使用的深度學(xué)習(xí)算法有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）、生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）等。同時(shí)，以上算法與其他人工智能方法相結(jié)合并改進(jìn)得到的復(fù)合人工智能方法可使機(jī)器學(xué)習(xí)模型有更高的準(zhǔn)確率。

2 機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用研究現(xiàn)狀

在盾構(gòu)掘進(jìn)過(guò)程中，可以采集大量的數(shù)據(jù)資料，如圍巖參數(shù)、盾構(gòu)狀態(tài)及施工數(shù)據(jù)等，部分?jǐn)?shù)據(jù)能反映盾構(gòu)掘進(jìn)設(shè)備與周圍環(huán)境的相互作用規(guī)律。通過(guò)這些數(shù)據(jù)訓(xùn)練得到的機(jī)器學(xué)習(xí)模型不僅有助于解決盾構(gòu)工程中信息處理不足、集成化不足、分析水平差等問(wèn)題，還能對(duì)工程相關(guān)信息進(jìn)行匯總并解析其中的關(guān)聯(lián)性，從而對(duì)盾構(gòu)隧道的設(shè)計(jì)、施工與運(yùn)維發(fā)揮重要的作用。

基于機(jī)器學(xué)習(xí)的盾構(gòu)工程管理應(yīng)用是通過(guò)對(duì)盾構(gòu)隧道建設(shè)中的相關(guān)工程數(shù)據(jù)進(jìn)行整理存儲(chǔ)和分類關(guān)聯(lián)，基于不同機(jī)器學(xué)習(xí)方式進(jìn)行分析，將所得分析模型形成相關(guān)數(shù)據(jù)庫(kù)，再使用編程軟件構(gòu)建機(jī)器學(xué)習(xí)應(yīng)用管理信息平臺(tái)（如圖2）。目前，機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用主要包括盾構(gòu)設(shè)備狀態(tài)分析與掘進(jìn)性能預(yù)測(cè)、地質(zhì)參數(shù)反演與地表變形預(yù)測(cè)、隧道病害監(jiān)測(cè)與預(yù)測(cè)等[11]。

圖2 機(jī)器學(xué)習(xí)應(yīng)用管理示意圖Fig.2 Schematic diagram of machine learning application management

2.1 基于機(jī)器學(xué)習(xí)的盾構(gòu)設(shè)備狀態(tài)分析與掘進(jìn)性能預(yù)測(cè)

盾構(gòu)機(jī)的設(shè)備狀態(tài)和掘進(jìn)性能對(duì)隧道建設(shè)的施工效率、質(zhì)量和安全有著決定性影響，而機(jī)器學(xué)習(xí)方法在盾構(gòu)掘進(jìn)機(jī)運(yùn)行情況識(shí)別與相關(guān)性能預(yù)測(cè)兩個(gè)方面具有較好的適應(yīng)能力和較大的應(yīng)用空間。

2.1.1 基于機(jī)器學(xué)習(xí)的盾構(gòu)設(shè)備狀態(tài)分析

盾構(gòu)機(jī)組成復(fù)雜，在施工過(guò)程中容易出現(xiàn)各種故障；且因其在地下空間挖掘前進(jìn)，出現(xiàn)故障時(shí)排查異常困難。刀盤作為盾構(gòu)機(jī)的主要組成部分，是盾構(gòu)設(shè)備故障的主要來(lái)源。針對(duì)刀盤故障問(wèn)題，研究人員重點(diǎn)研究了基于機(jī)器學(xué)習(xí)算法的刀盤故障診斷方法。Jin 等[12]建立一個(gè)排除無(wú)效和異常數(shù)據(jù)的函數(shù)來(lái)識(shí)別盾構(gòu)機(jī)運(yùn)行狀態(tài)，開(kāi)發(fā)了基于多算法優(yōu)化的隧道掘進(jìn)機(jī)刀盤扭矩實(shí)時(shí)預(yù)測(cè)方法。Guo等[13]提出了一種將多個(gè)稀疏自編碼器（Sparse Autoencoder，SA）與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）相結(jié)合的基于時(shí)間序列預(yù)測(cè)刀盤故障的方法。Mahmoodzadeh 等[14]使用高斯過(guò)程回歸（Gaussian Process Regression，GPR）、支持向量機(jī)、決策樹(shù)和K 近鄰（K-Nearest Neighbor，KNN）4 種機(jī)器學(xué)習(xí)方法，基于實(shí)測(cè)數(shù)據(jù)來(lái)預(yù)測(cè)TBM 刀具的壽命。Han 等[15]提出了一種基于BP 神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）的復(fù)雜機(jī)械設(shè)備故障預(yù)測(cè)模型。Elbaz 等[16]將基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理方法與遺傳算法（Genetic Algorithm，GA）相結(jié)合，來(lái)預(yù)測(cè)刀具的壽命。Zou等[17]把盾構(gòu)開(kāi)挖參數(shù)輸入能自動(dòng)檢索特征的算法中，然后將自動(dòng)檢索出的特征輸出作為反向傳播網(wǎng)絡(luò)的輸入完成預(yù)測(cè)，從而對(duì)盾構(gòu)機(jī)將出現(xiàn)的故障進(jìn)行診斷。

由于隧道盾構(gòu)機(jī)是實(shí)時(shí)運(yùn)作，如果對(duì)監(jiān)測(cè)數(shù)據(jù)分析只體現(xiàn)靜態(tài)關(guān)聯(lián)性，難以對(duì)實(shí)際工程進(jìn)行管控指導(dǎo)。因此，需要對(duì)數(shù)據(jù)動(dòng)態(tài)特征進(jìn)行匯總解析，研究基于時(shí)序特征的狀態(tài)分析方法。Rumelhart等[18]在20 世紀(jì)80 年代以人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)提出了循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN），循環(huán)神經(jīng)網(wǎng)絡(luò)中的復(fù)式結(jié)構(gòu)具有類似計(jì)算機(jī)內(nèi)存的短時(shí)存儲(chǔ)功能，可利用這一特性來(lái)處理與時(shí)間變化相關(guān)的問(wèn)題[19]，該方法近年也被應(yīng)用于隧道掘進(jìn)機(jī)故障診斷研究中。Gao 等[20]基于盾構(gòu)施工過(guò)程中采集得到的實(shí)際運(yùn)行數(shù)據(jù)，采用循環(huán)神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元網(wǎng)絡(luò)（Gated Recurrent Unit Networks，GRU）3 種模型實(shí)時(shí)預(yù)測(cè)盾構(gòu)運(yùn)行參數(shù)和性能，結(jié)果表明，循環(huán)神經(jīng)網(wǎng)絡(luò)模型的效果最好。Sun 等[21]應(yīng)用長(zhǎng)短時(shí)網(wǎng)絡(luò)，將盾構(gòu)機(jī)傳感器的時(shí)間序列數(shù)據(jù)作為初始數(shù)據(jù)來(lái)預(yù)測(cè)和診斷泥餅形成、刀具磨損、泥漿管堵塞和地面沉降等。Huang 等[22]基于吉林松花江引水隧道數(shù)據(jù)，選擇與刀盤扭矩最密切相關(guān)的10 個(gè)特征量作為輸入變量，提出了一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)的隧道掘進(jìn)刀盤扭矩實(shí)時(shí)預(yù)測(cè)方法。Qin 等[23]提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)來(lái)提取隱式特征和序列特征的方法，可根據(jù)設(shè)備運(yùn)行狀態(tài)參數(shù)來(lái)預(yù)測(cè)盾構(gòu)設(shè)備的刀盤扭矩。

盾構(gòu)設(shè)備監(jiān)測(cè)信息復(fù)雜、特征繁多，基于未調(diào)整的原始數(shù)據(jù)無(wú)法訓(xùn)練出高精度的預(yù)測(cè)模型，因此，機(jī)器學(xué)習(xí)模型預(yù)測(cè)的準(zhǔn)確率在很大程度上取決于數(shù)據(jù)預(yù)處理的效果。循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)序特征有著極強(qiáng)的學(xué)習(xí)能力，被廣泛應(yīng)用于盾構(gòu)設(shè)備狀態(tài)的分析中，但其存在訓(xùn)練優(yōu)化慢、計(jì)算能力需求大等不足，在盾構(gòu)設(shè)備狀態(tài)分析與預(yù)測(cè)中仍有很大的拓展空間。

2.1.2 基于機(jī)器學(xué)習(xí)的盾構(gòu)掘進(jìn)性能預(yù)測(cè)

在盾構(gòu)施工過(guò)程管理中，盾構(gòu)機(jī)的推進(jìn)速率、刀盤荷載及土倉(cāng)壓力等性能指標(biāo)對(duì)工期管理和成本把控具有重要意義。傳統(tǒng)研究主要通過(guò)理論模型、室內(nèi)試驗(yàn)和模擬仿真等預(yù)測(cè)盾構(gòu)機(jī)的性能，但通常僅能分析某一方面的性能?；诂F(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)，運(yùn)用回歸分析、模糊數(shù)學(xué)或者神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，可綜合分析盾構(gòu)施工過(guò)程中的設(shè)備狀況、性能指標(biāo)與圍巖參數(shù)的內(nèi)在聯(lián)系等，從而達(dá)到較高的預(yù)測(cè)精度。

針對(duì)盾構(gòu)的掘進(jìn)效率問(wèn)題，研究人員基于圍巖信息等數(shù)據(jù)，利用機(jī)器學(xué)習(xí)方法訓(xùn)練掘進(jìn)效率分析模型。Salimi 等[24]對(duì)伊朗兩個(gè)硬巖隧道項(xiàng)目盾構(gòu)工程現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，研果表明，支持向量機(jī)算法在盾構(gòu)性能預(yù)測(cè)中具有較好的效果。Fattahi等[25]比較了支持向量回歸和差分進(jìn)化算法（Differential Evolution Algorithm，DE）、人工蜂群算法（Artificial Bee Colony Algorithm，ABC）和重力搜索算法（Gravitational Search Algorithm，GSA）等算法對(duì)盾構(gòu)性能預(yù)測(cè)精度的影響，發(fā)現(xiàn)不同算法的預(yù)測(cè)結(jié)果差異較小。Stypulkowski 等[26]建立并評(píng)估了基于巖土參數(shù)與設(shè)備操作參數(shù)的盾構(gòu)推進(jìn)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)回歸模型，發(fā)現(xiàn)相關(guān)數(shù)據(jù)有巨大預(yù)測(cè)潛力。Afradi 等[27]使用人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法預(yù)測(cè)了伊朗Beheshtabad 輸水隧道施工中的盾構(gòu)掘進(jìn)貫入度，研究結(jié)果表明，支持向量機(jī)的預(yù)測(cè)結(jié)果較人工神經(jīng)網(wǎng)絡(luò)的結(jié)果更精確。Fattahi 等[28]提出使用模擬退火算法（Simulated Annealing，SA）、螢火蟲(chóng)算法（Firefly Algorithm，F(xiàn)A）、入侵雜草優(yōu)化算法（Invasive Weed Optimization，IWO）和洗牌蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）等優(yōu)化算法改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)模型，提高了間接預(yù)測(cè)盾構(gòu)推進(jìn)效率算法的計(jì)算效率。Gao 等[29]基于杭州第二水源工程輸水隧道監(jiān)測(cè)數(shù)據(jù)，分別采用了長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)元網(wǎng)絡(luò)和傳統(tǒng)的時(shí)間序列模型（Time series analysis，TSA）來(lái)預(yù)測(cè)盾構(gòu)掘進(jìn)貫入度，結(jié)果表明長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能更好。

更多基于機(jī)器學(xué)習(xí)算法的盾構(gòu)掘進(jìn)性能預(yù)測(cè)研究和應(yīng)用案例見(jiàn)表1。從表1 可知，大多數(shù)學(xué)者主要基于地質(zhì)數(shù)據(jù)進(jìn)行掘進(jìn)效率預(yù)測(cè)，部分學(xué)者也基于盾構(gòu)機(jī)的工作參數(shù)，如轉(zhuǎn)速、功率、推力等指標(biāo)進(jìn)行研究，但參數(shù)相對(duì)較少。目前大多數(shù)研究選用小時(shí)作為研究時(shí)間單位，但其尺度過(guò)大，不足以反映盾構(gòu)設(shè)備掘進(jìn)的時(shí)間變化特性，影響了預(yù)測(cè)的精度。

表1 基于機(jī)器學(xué)習(xí)的掘進(jìn)效率預(yù)測(cè)模型的參數(shù)與算法對(duì)比Table 1 Comparison of parameters and methods of the measured data-driven tunneling efficiency prediction model

現(xiàn)場(chǎng)采集數(shù)據(jù)的速度往往大于現(xiàn)有機(jī)器學(xué)習(xí)方法的分析速度，為解決這一問(wèn)題，近年來(lái)計(jì)算能力更加高效的算法，如深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）[23,39]及動(dòng)態(tài)回歸樹(shù)[40]等，也逐漸用于建立基于現(xiàn)場(chǎng)數(shù)據(jù)的機(jī)器學(xué)習(xí)預(yù)測(cè)模型。Yagiz等[41]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)和非線性多元回歸模型（Multiple Nonlinear Regression Analysis，MNRA）來(lái)預(yù)測(cè)隧道掘進(jìn)機(jī)的性能。Xu 等[42]基于馬來(lái)西亞某隧道工程的現(xiàn)場(chǎng)監(jiān)測(cè)和室內(nèi)試驗(yàn)數(shù)據(jù)，使用監(jiān)督機(jī)器學(xué)習(xí)算法來(lái)預(yù)測(cè)隧道掘進(jìn)效率。Armaghani 等[43]基于馬來(lái)西亞彭亨—雪蘭莪排水隧道的實(shí)測(cè)數(shù)據(jù)對(duì)盾構(gòu)推進(jìn)速度進(jìn)行了預(yù)測(cè)分析，結(jié)果表明，粒子群算法（Particle Swarm Optimization，PSO）與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型預(yù)測(cè)性能更強(qiáng)。Feng 等[44]基于中國(guó)東北地區(qū)引松供水隧道工程中采集到的數(shù)據(jù)，使用深度信念神經(jīng)網(wǎng)絡(luò)（Deep Belief Neural Network，DBNN）對(duì)盾構(gòu)掘進(jìn)效率進(jìn)行預(yù)測(cè)分析，結(jié)果表明深度信念神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力強(qiáng)、操作簡(jiǎn)單。Mahdevari 等[45]基于支持向量機(jī)，開(kāi)發(fā)了一種新型回歸模型來(lái)預(yù)測(cè)硬巖條件下盾構(gòu)機(jī)的掘進(jìn)效率。Sun 等[46]在圍巖勘察信息的基礎(chǔ)上，研究隧道掘進(jìn)機(jī)的運(yùn)行行為（尤其是動(dòng)力行為），并采用隨機(jī)森林算法對(duì)其推進(jìn)速度進(jìn)行預(yù)測(cè)。Li 等[47]基于盾構(gòu)掘進(jìn)過(guò)程中的監(jiān)測(cè)數(shù)據(jù)，利用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)盾構(gòu)機(jī)實(shí)時(shí)總推力和刀盤工作變化規(guī)律狀態(tài)進(jìn)行提前預(yù)測(cè)，研究表明，這一方法比傳統(tǒng)理論模型有更好的預(yù)測(cè)能力。

研究人員也基于機(jī)器學(xué)習(xí)算法，對(duì)土倉(cāng)/泥水壓力、姿態(tài)控制等性能指標(biāo)進(jìn)行預(yù)測(cè)研究。對(duì)于泥水平衡式盾構(gòu)機(jī)[48]，泥水壓力是控制盾構(gòu)隧道施工沉降與變形的關(guān)鍵。Wang 等[49]先通過(guò)典型關(guān)聯(lián)分析法去除隧道工作面壓力監(jiān)測(cè)信息中的噪聲，然后通過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)泥水平衡盾構(gòu)機(jī)在含有泥巖的混合地層條件下的漿液壓力進(jìn)行預(yù)測(cè)，保證了預(yù)測(cè)的精準(zhǔn)度。Li 等[50]采用循環(huán)神經(jīng)網(wǎng)絡(luò)挖掘泥漿壓力和其他參數(shù)之間的復(fù)雜關(guān)系，預(yù)測(cè)施工過(guò)程中所需的泥漿壓力值，顯著提高了隧道掘進(jìn)中泥漿系統(tǒng)的魯棒性。Zhou 等[51]提出一種基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的泥漿氣室壓力預(yù)測(cè)控制方法，以保證泥水平衡盾構(gòu)隧道開(kāi)挖面的穩(wěn)定性。

在盾構(gòu)姿態(tài)預(yù)測(cè)與控制方面，Zhou 等[52]提出了基于小波變換噪聲濾波器、卷積神經(jīng)網(wǎng)絡(luò)特征提取器和長(zhǎng)短期記憶預(yù)測(cè)器的盾構(gòu)隧道姿態(tài)和位置的預(yù)測(cè)框架，用于確定盾構(gòu)機(jī)的姿態(tài)和位置。Wang等[53]建立了基于小波變換和雙向長(zhǎng)短期記憶法的動(dòng)態(tài)調(diào)節(jié)模型來(lái)預(yù)測(cè)盾構(gòu)機(jī)前進(jìn)速度和扭矩，研究結(jié)果表明，該模型具有較高的預(yù)測(cè)準(zhǔn)確度。Wang 等[54]針對(duì)盾構(gòu)掘進(jìn)過(guò)程中軸線姿態(tài)偏差難以準(zhǔn)確預(yù)測(cè)和修正的問(wèn)題，提出了一種基于盾構(gòu)掘進(jìn)數(shù)據(jù)驅(qū)動(dòng)的軸線姿態(tài)偏差預(yù)測(cè)和修正方法。Zhang 等[55]采用主成分分析法研究掘進(jìn)輸入?yún)?shù)的相互關(guān)聯(lián)，并應(yīng)用門控循環(huán)神經(jīng)網(wǎng)絡(luò)算法實(shí)時(shí)預(yù)測(cè)盾構(gòu)的掘進(jìn)姿態(tài)。

以上研究表明，目前機(jī)器學(xué)習(xí)方法對(duì)盾構(gòu)機(jī)關(guān)鍵性能（如掘進(jìn)效率、土倉(cāng)/泥水壓力、姿態(tài)調(diào)整等）預(yù)測(cè)的應(yīng)用取得了一定的進(jìn)展，多數(shù)預(yù)測(cè)模型輸入信息以地層勘察數(shù)據(jù)為主，以盾構(gòu)掘進(jìn)過(guò)程中的設(shè)備參數(shù)為輔。通常先進(jìn)行不同輸入與預(yù)測(cè)結(jié)果的相關(guān)性分析，進(jìn)而篩選出最具相關(guān)性的輸入特征，再將該特征導(dǎo)入合適的機(jī)器學(xué)習(xí)回歸算法訓(xùn)練預(yù)測(cè)模型。

實(shí)際工程驗(yàn)證表明，基于這一思路建立的預(yù)測(cè)模型比直接用非線性回歸算法訓(xùn)練的預(yù)測(cè)模型的準(zhǔn)確度更高。

2.2 基于機(jī)器學(xué)習(xí)的地質(zhì)參數(shù)反演與地表變形預(yù)測(cè)

盾構(gòu)掘進(jìn)過(guò)程中的監(jiān)測(cè)數(shù)據(jù)包含了地質(zhì)工況及周邊環(huán)境的動(dòng)態(tài)變化信息（如圖3），研究人員可通過(guò)相應(yīng)機(jī)器學(xué)習(xí)方法構(gòu)建模型，對(duì)盾構(gòu)隧道工程地質(zhì)信息進(jìn)行反演識(shí)別，并對(duì)盾構(gòu)掘進(jìn)引起的地表變形進(jìn)行預(yù)測(cè)。

圖3 變形因素的相互關(guān)系Fig.3 Relationship among deformation factors

2.2.1 基于機(jī)器學(xué)習(xí)的地質(zhì)參數(shù)反演

盾構(gòu)隧道等地下工程存在于地下巖土體中，巖土材料具有非均質(zhì)、非連續(xù)、非線性等特點(diǎn)，傳統(tǒng)的勘察方法成本高，獲取的巖土參數(shù)信息有限，而理論和數(shù)值計(jì)算方法不能很好地解決盾構(gòu)掘進(jìn)擾動(dòng)影響下的地層巖土參數(shù)問(wèn)題[56]。機(jī)器學(xué)習(xí)算法可以利用施工過(guò)程的監(jiān)測(cè)數(shù)據(jù)進(jìn)行反演分析，計(jì)算地質(zhì)體的實(shí)時(shí)“等效參數(shù)”[57]，成為解決相關(guān)問(wèn)題的重要方法。Liang 等[58]提出了一種基于模糊反向傳播神經(jīng)網(wǎng)絡(luò)的新反向分析方法，并使用該方法由現(xiàn)場(chǎng)測(cè)量的位移來(lái)反演地下圍巖力學(xué)參數(shù)和初始應(yīng)力。Suwansawat 等[59]提出了基于人工神經(jīng)網(wǎng)絡(luò)確定盾構(gòu)掘進(jìn)施工參數(shù)、地表變形和圍巖參數(shù)相關(guān)性的方法。郝哲等[60]提出了一種利用微分法和人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合的反演巖體力學(xué)參數(shù)的方法，該方法先對(duì)訓(xùn)練參數(shù)進(jìn)行優(yōu)化，再使用位移數(shù)據(jù)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，從而對(duì)圍巖力學(xué)參數(shù)進(jìn)行反演分析。高攀科等[61]針對(duì)一般BP 神經(jīng)網(wǎng)絡(luò)中部分?jǐn)?shù)據(jù)有缺陷的情況，提出了一種基于改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)的軟弱巖石位移反分析方法。

在盾構(gòu)掘進(jìn)過(guò)程中，準(zhǔn)確獲取掌子面地質(zhì)信息有助于設(shè)置最佳盾構(gòu)作業(yè)參數(shù)，使盾構(gòu)機(jī)獲得更好的掘進(jìn)效率。然而，由于盾構(gòu)機(jī)的封閉性設(shè)計(jì)及較窄的作業(yè)面使操作人員無(wú)法直接觀察周圍環(huán)境，利用機(jī)器學(xué)習(xí)方法間接識(shí)別地質(zhì)條件成為研究熱點(diǎn)之一。Yu 等[62]為了充分利用所有收集到的現(xiàn)場(chǎng)數(shù)據(jù)來(lái)提高地質(zhì)構(gòu)造識(shí)別模型的性能，提出了一種新的約束密集卷積自編碼器和基于深度神經(jīng)網(wǎng)絡(luò)的半監(jiān)督學(xué)習(xí)方法。Zhang 等[63]提出一種綜合程序來(lái)預(yù)測(cè)隧道掘進(jìn)機(jī)的地質(zhì)條件（即巖體類型），該程序基于盾構(gòu)作業(yè)的4 類數(shù)據(jù)，即刀盤速度、刀盤扭矩、推力和推進(jìn)速率，采用層次平衡迭代歸約和聚類算法進(jìn)行分析。Yang 等[64]建立基于盾構(gòu)機(jī)作業(yè)數(shù)據(jù)的地質(zhì)條件自動(dòng)預(yù)測(cè)模型，利用K 聚類算法進(jìn)行聚類分析，再根據(jù)地質(zhì)數(shù)據(jù)識(shí)別地質(zhì)類型。Erharter等[65]基于在建設(shè)中的布倫納隧道收集到的數(shù)據(jù)，對(duì)比了多層感知器和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)在巖體特性自動(dòng)分類中的性能表現(xiàn)，結(jié)果表明，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)識(shí)別效果更貼合實(shí)際工況。Liu 等[66]提出基于分類回歸樹(shù)和集成學(xué)習(xí)模型相結(jié)合的方法來(lái)預(yù)測(cè)圍巖分類，對(duì)松花江輸水隧道建設(shè)的監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，結(jié)果表明該混合方法的準(zhǔn)確率較高。Kim 等[67]提出一種具有6 個(gè)隱藏層的深度神經(jīng)網(wǎng)絡(luò)方法，基于盾構(gòu)掘進(jìn)過(guò)程中的監(jiān)測(cè)數(shù)據(jù)對(duì)地質(zhì)類型進(jìn)行分析與分類。Shi 等[68]用深度神經(jīng)網(wǎng)絡(luò)方法與傳統(tǒng)數(shù)據(jù)挖掘方法分別對(duì)地質(zhì)類型進(jìn)行預(yù)測(cè)，結(jié)果表明，深度神經(jīng)網(wǎng)絡(luò)方法可以更準(zhǔn)確地估計(jì)開(kāi)挖前的地質(zhì)條件。Yu 等[69]為充分利用盾構(gòu)掘進(jìn)過(guò)程中產(chǎn)生的海量未標(biāo)注數(shù)據(jù)和有限標(biāo)注數(shù)據(jù)，提出一種基于深度神經(jīng)網(wǎng)絡(luò)半監(jiān)督方法建立的巖體類型預(yù)測(cè)模型。Zhao 等[70]提出了一種基于實(shí)時(shí)數(shù)據(jù)驅(qū)動(dòng)的智能預(yù)測(cè)隧道地質(zhì)條件的方法，該方法基于前饋多輸出人工神經(jīng)網(wǎng)絡(luò)算法，預(yù)測(cè)結(jié)果優(yōu)于常見(jiàn)的隨機(jī)森林、支持向量機(jī)等方法。

以上研究表明，基于機(jī)器學(xué)習(xí)方法的圍巖參數(shù)反演和地質(zhì)識(shí)別在盾構(gòu)隧道工程中有廣泛的應(yīng)用前景。然而，目前反演的信息主要是地層的巖土類型與空間分布，能夠?qū)崿F(xiàn)巖土類型與力學(xué)參數(shù)同時(shí)反演和預(yù)測(cè)的研究還有待進(jìn)一步開(kāi)展。

2.2.2 基于機(jī)器學(xué)習(xí)的地表變形預(yù)測(cè)

盾構(gòu)機(jī)在施工過(guò)程中會(huì)與地層發(fā)生較強(qiáng)的相互作用（如圖4），對(duì)盾構(gòu)掘進(jìn)過(guò)程控制不當(dāng)會(huì)導(dǎo)致地層產(chǎn)生較大變形，對(duì)周邊環(huán)境產(chǎn)生危害。因此，地表變形預(yù)測(cè)與控制是保證隧道掘進(jìn)安全的重要措施之一。為減少盾構(gòu)施工引起的地表變形及對(duì)周邊環(huán)境的負(fù)面影響，研究人員基于機(jī)器學(xué)習(xí)方法研究掘進(jìn)參數(shù)與地表變形之間的內(nèi)在關(guān)聯(lián)，以期達(dá)到實(shí)時(shí)精準(zhǔn)預(yù)測(cè)地表變形的效果。

圖4 不同施工階段的地面沉降[71]Fig.4 Ground settlement at different stages of construction[71]

基于機(jī)器學(xué)習(xí)的地表變形預(yù)測(cè)研究中，孫鈞等[71]利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究了城市地鐵盾構(gòu)隧道施工擾動(dòng)引起的地表變形和沉降機(jī)理，建立的人工神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確預(yù)測(cè)工作面前方5 m 的地表沉降。Suwansawat 等[59]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)地表沉降問(wèn)題，該方法具有將輸入映射到輸出模式的能力，并將所有影響參數(shù)納入到地表沉降預(yù)測(cè)中。Kohestani 等[72]對(duì)比了隨機(jī)森林方法和人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)盾構(gòu)隧道引起的最大地表沉降，結(jié)果表明隨機(jī)森林預(yù)測(cè)精度更高。Pourtaghi 等[73]為了最大限度地降低隧道開(kāi)挖的風(fēng)險(xiǎn)，提出了一種基于小波網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的最大地表沉降預(yù)測(cè)方法。Zhang 等[55]提出了基于隨機(jī)森林算法的土壓平衡盾構(gòu)沉降智能控制方式，可以預(yù)測(cè)隧道施工引起的沉降，且在沉降超過(guò)容許值時(shí)優(yōu)化盾構(gòu)運(yùn)行參數(shù)。Chen 等[74]比較了回歸神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林及其他4 種常見(jiàn)數(shù)據(jù)挖掘方法預(yù)測(cè)隧道引起沉降的效果，結(jié)果表明，6 種機(jī)器學(xué)習(xí)算法中回歸神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林方法的表現(xiàn)最好。Cao 等[75]提出了一種在小樣本情況下對(duì)地面沉降進(jìn)行預(yù)測(cè)的深度學(xué)習(xí)模型，該方法通過(guò)長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)分量進(jìn)行預(yù)測(cè)并疊加以獲得最終的預(yù)測(cè)結(jié)果。Zhang 等[76]綜述了相關(guān)機(jī)器學(xué)習(xí)算法及其在地下工程中的應(yīng)用，對(duì)比了包括極限梯度提升、多元自適應(yīng)回歸樣條、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等算法在預(yù)測(cè)支撐開(kāi)挖引起的最大側(cè)向變形的準(zhǔn)確性。更多基于機(jī)器學(xué)習(xí)方法進(jìn)行地層變形預(yù)測(cè)的研究參見(jiàn)表2。

表2 不同特征參數(shù)隧道施工變形預(yù)測(cè)方法Table 2 Tunnel construction deformation prediction method with different characteristic parameters

通過(guò)對(duì)基于機(jī)器學(xué)習(xí)的地質(zhì)參數(shù)反演和地表變形預(yù)測(cè)研究的綜述可知，盾構(gòu)施工長(zhǎng)期在復(fù)雜環(huán)境下進(jìn)行，監(jiān)測(cè)系統(tǒng)采集的數(shù)據(jù)大部分是相似的無(wú)特征信息。傳感器在施工現(xiàn)場(chǎng)不僅布設(shè)困難，而且容易受到現(xiàn)場(chǎng)施工作業(yè)影響（如設(shè)備損壞、丟失和供電中斷等問(wèn)題），從而導(dǎo)致監(jiān)控?cái)?shù)據(jù)無(wú)效或缺失[77]。同時(shí)，大量標(biāo)記無(wú)效的樣本數(shù)據(jù)會(huì)導(dǎo)致機(jī)器學(xué)習(xí)算法的訓(xùn)練樣本數(shù)據(jù)不足，給地質(zhì)參數(shù)反演和地表變形預(yù)測(cè)帶來(lái)困難。因此，采用在實(shí)驗(yàn)室中的模擬工況下采集的實(shí)驗(yàn)數(shù)據(jù)來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型，對(duì)實(shí)驗(yàn)數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)之間的數(shù)值及特征差異進(jìn)行分析，再通過(guò)遷移學(xué)習(xí)技術(shù)來(lái)應(yīng)用實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練模型，在實(shí)測(cè)數(shù)據(jù)樣本不足的情況下，這是一種可行的修正預(yù)測(cè)模型的方法，但目前相關(guān)的成功案例還鮮見(jiàn)報(bào)道。

2.3 基于機(jī)器學(xué)習(xí)的隧道病害監(jiān)測(cè)與預(yù)測(cè)

隧道健康狀態(tài)是隧道建設(shè)過(guò)程及后期運(yùn)營(yíng)階段的重要監(jiān)測(cè)內(nèi)容。目前，研究人員已經(jīng)開(kāi)展了基于機(jī)器學(xué)習(xí)算法的隧道病害監(jiān)測(cè)研究，并通過(guò)分析隧道健康情況，建立了隧道病害預(yù)測(cè)模型，服務(wù)盾構(gòu)隧道的管養(yǎng)。Cha 等[84]利用深層結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)圖像特征的能力，結(jié)合滑動(dòng)窗口技術(shù)實(shí)現(xiàn)對(duì)混凝土裂縫的檢測(cè)識(shí)別。在探地雷達(dá)的信號(hào)處理方面，深度學(xué)習(xí)也發(fā)揮著巨大作用。Besaw等[85]利用深度信念網(wǎng)絡(luò)從探地雷達(dá)反射信號(hào)中提取出復(fù)雜數(shù)據(jù)的有效特征，提供了一種雷達(dá)數(shù)據(jù)異常檢測(cè)和分類的新方法。Makantasis 等[86]采用卷積神經(jīng)網(wǎng)絡(luò)分層構(gòu)造高層次特征，實(shí)現(xiàn)隧道病害類型的自動(dòng)識(shí)別。Chen 等[87]基于東北地區(qū)引松供水盾構(gòu)隧道工程的監(jiān)測(cè)數(shù)據(jù)，開(kāi)發(fā)與深度置信網(wǎng)絡(luò)相結(jié)合的時(shí)間序列預(yù)測(cè)方法，可預(yù)測(cè)隧道墻體的倒塌危害。

對(duì)于隧道運(yùn)營(yíng)期監(jiān)測(cè)數(shù)據(jù)的處理，采用傳統(tǒng)機(jī)器學(xué)習(xí)方法的缺點(diǎn)在于需要手動(dòng)定義目標(biāo)的特征，對(duì)于復(fù)雜場(chǎng)景中的數(shù)據(jù)來(lái)說(shuō)，目標(biāo)的特征并不具體，很難定量描述。深度學(xué)習(xí)的發(fā)展改變了此現(xiàn)狀，它通過(guò)卷積神經(jīng)網(wǎng)絡(luò)等算法進(jìn)行特征提取，有效實(shí)現(xiàn)監(jiān)測(cè)和檢測(cè)數(shù)據(jù)中異常信息的分類和位置信息的獲取。由于隧道襯砌結(jié)構(gòu)病害特征的相似性以及結(jié)構(gòu)的復(fù)雜性，在隧道襯砌檢測(cè)方面，目前用深度學(xué)習(xí)實(shí)現(xiàn)多種病害分類的相關(guān)研究較少。

3 機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用難點(diǎn)與發(fā)展方向

學(xué)者們?cè)诨跈C(jī)器學(xué)習(xí)方法（如圖5）的盾構(gòu)設(shè)備狀態(tài)分析與掘進(jìn)性能預(yù)測(cè)、地質(zhì)參數(shù)反演與地表變形預(yù)測(cè)、隧道病害監(jiān)測(cè)與預(yù)測(cè)等方面（如圖6）取得了一定的研究成果，提升了盾構(gòu)隧道工程的勘察、設(shè)計(jì)、施工與運(yùn)營(yíng)水平，但該方法仍有進(jìn)一步研究和發(fā)展的空間，在實(shí)際工程中的普遍推廣也存在一些困難。

圖5 參考文獻(xiàn)涉及的算法統(tǒng)計(jì)Fig.5 Statistics of research methods in the literature involved in this paper

圖6 參考文獻(xiàn)涉及的研究目的統(tǒng)計(jì)Fig.6 Statistics of research purpose in the literature involved in this paper

3.1 應(yīng)用難點(diǎn)與不足

目前，機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中應(yīng)用的主要難點(diǎn)與不足主要表現(xiàn)在以下幾個(gè)方面。

1）機(jī)器學(xué)習(xí)的預(yù)測(cè)實(shí)用性因盾構(gòu)工程實(shí)時(shí)采集信息能力不足而受限。實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)能極大增強(qiáng)機(jī)器學(xué)習(xí)算法的即時(shí)預(yù)測(cè)能力，但盾構(gòu)設(shè)備本身構(gòu)造復(fù)雜，施工環(huán)境惡劣，隧道掘進(jìn)過(guò)程中難以為大量監(jiān)測(cè)儀器提供合適的安裝空間；盾構(gòu)設(shè)備狹長(zhǎng)且位于地層中，監(jiān)測(cè)設(shè)備采集到的數(shù)據(jù)難以實(shí)時(shí)傳送到收集終端，這些因素都限制了機(jī)器學(xué)習(xí)預(yù)測(cè)方法的普及和推廣。

2）盾構(gòu)隧道工程實(shí)測(cè)信息的數(shù)據(jù)模態(tài)、樣本類別、信息結(jié)構(gòu)等特征差異大，現(xiàn)階段主要是通過(guò)數(shù)據(jù)類型轉(zhuǎn)化及人工修正等方式來(lái)進(jìn)行數(shù)據(jù)歸一化，但處理過(guò)程需要大量的人工標(biāo)注，主觀性大，可能會(huì)導(dǎo)致數(shù)據(jù)內(nèi)部某些潛在特征被忽視。因此，需要深入挖掘數(shù)據(jù)背后的產(chǎn)生機(jī)制，識(shí)別異常樣本的特征，探明關(guān)鍵性因素并進(jìn)行人工標(biāo)注，但目前面向機(jī)器學(xué)習(xí)的多源異構(gòu)數(shù)據(jù)處理方法還有待進(jìn)一步研究。

3）相較于傳統(tǒng)的數(shù)值解析法或經(jīng)驗(yàn)公式法，基于盾構(gòu)隧道工程實(shí)測(cè)數(shù)據(jù)的機(jī)器學(xué)習(xí)預(yù)測(cè)模型通常具有更高的擬合精度，但要達(dá)到高精度，需要耗費(fèi)大量運(yùn)算時(shí)間與計(jì)算能力進(jìn)行模型訓(xùn)練。因此，限制機(jī)器學(xué)習(xí)算法在盾構(gòu)工程中大面積推廣應(yīng)用的一大原因就是現(xiàn)場(chǎng)計(jì)算能力。在隧道掘進(jìn)現(xiàn)場(chǎng)，由于數(shù)據(jù)采集或監(jiān)測(cè)設(shè)備提供的平臺(tái)計(jì)算能力不足，難以滿足利用實(shí)測(cè)數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)算法的需求，因此，需探索與云計(jì)算或硬件加速等相結(jié)合的技術(shù)。

3.2 未來(lái)發(fā)展方向

機(jī)器學(xué)習(xí)方法是基于現(xiàn)有數(shù)據(jù)分析理論上的更高層次的分析方法，其在盾構(gòu)隧道工程中的應(yīng)用主要包括裝備運(yùn)行狀態(tài)識(shí)別、關(guān)鍵參數(shù)關(guān)聯(lián)分析、刀具故障預(yù)測(cè)、地層參數(shù)識(shí)別等，相關(guān)研究可提高施工管理水平、減少盾構(gòu)施工對(duì)鄰近環(huán)境的影響。隨著5G 傳感、物聯(lián)網(wǎng)、云計(jì)算、北斗通信等新技術(shù)的快速迭代，盾構(gòu)機(jī)實(shí)測(cè)數(shù)據(jù)的存儲(chǔ)數(shù)量和質(zhì)量、實(shí)時(shí)性都將得到持續(xù)發(fā)展，這對(duì)機(jī)器學(xué)習(xí)方法來(lái)說(shuō)是“如虎添翼”。然而，機(jī)器學(xué)習(xí)算法要真正達(dá)到在實(shí)際工程中廣泛應(yīng)用的水平，未來(lái)還需在以下方面進(jìn)行探索和發(fā)展。

1）海量多源數(shù)據(jù)的匯聚。不同廠家生產(chǎn)的隧道掘進(jìn)機(jī)監(jiān)控設(shè)備存在差異，采集的信息不同源且不兼容?？赏ㄟ^(guò)遠(yuǎn)程服務(wù)器根據(jù)對(duì)應(yīng)的端口協(xié)議匯總數(shù)據(jù)，以此集成不同工程、不同設(shè)備、不同隧道的監(jiān)測(cè)信息，通過(guò)大數(shù)據(jù)訓(xùn)練來(lái)增強(qiáng)機(jī)器學(xué)習(xí)模型的泛化能力，而這需打破現(xiàn)有數(shù)據(jù)的管理壁壘。

2）基于云計(jì)算和5G 技術(shù)的機(jī)器學(xué)習(xí)算法開(kāi)發(fā)。盾構(gòu)隧道工程相關(guān)的機(jī)器學(xué)習(xí)模型訓(xùn)練計(jì)算成本高，因此，現(xiàn)有大多數(shù)機(jī)器學(xué)習(xí)分析模型是采集數(shù)據(jù)后在實(shí)驗(yàn)室平臺(tái)進(jìn)行訓(xùn)練。與云計(jì)算相結(jié)合的遠(yuǎn)程訓(xùn)練模式是滿足工地實(shí)時(shí)計(jì)算需求的可行途徑，即工地監(jiān)測(cè)端負(fù)責(zé)數(shù)據(jù)匯總，上傳至云端進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練、優(yōu)化、預(yù)測(cè)，再將結(jié)果返回至工地端。在云計(jì)算模式下，與5G 無(wú)線通信技術(shù)相結(jié)合的機(jī)器學(xué)習(xí)算法是盾構(gòu)工程需要探索的方向。

3）盾構(gòu)隧道工程智能管控平臺(tái)構(gòu)建。隨著盾構(gòu)隧道掘進(jìn)數(shù)據(jù)的不斷累積，以及智能算法能力的不斷提升，可以構(gòu)建以機(jī)器學(xué)習(xí)方法為核心的盾構(gòu)隧道工程智能管理模式和平臺(tái)（如圖7 所示），逐步實(shí)現(xiàn)盾構(gòu)隧道工程在設(shè)計(jì)、施工及運(yùn)營(yíng)環(huán)節(jié)的信息匯聚、智能決策和智能管控，促進(jìn)隧道工程由信息化往智能化、自動(dòng)化方向邁進(jìn)。

圖7 基于機(jī)器學(xué)習(xí)的智能管理模式Fig.7 Intelligent management mode based on machine learning

4 結(jié)論

作為人工智能方法的重要組成部分，機(jī)器學(xué)習(xí)是工程信息化的重要發(fā)展方向。機(jī)器學(xué)習(xí)算法能夠深入挖掘盾構(gòu)隧道監(jiān)測(cè)大數(shù)據(jù)的隱含特征，為盾構(gòu)裝備狀態(tài)識(shí)別與性能預(yù)測(cè)、地質(zhì)識(shí)別與地表變形預(yù)測(cè)，隧道健康監(jiān)測(cè)與預(yù)警等方面提供技術(shù)支持。筆者總結(jié)了當(dāng)前機(jī)器學(xué)習(xí)技術(shù)在盾構(gòu)隧道工程中應(yīng)用研究的主要進(jìn)展與不足，并結(jié)合當(dāng)前實(shí)際技術(shù)水平展望后續(xù)應(yīng)用研究的主要方向，以期為隧道工程智能化發(fā)展添磚加瓦。